LingBot-VLA 2.0は、ロボット制御を条件付き生成問題として扱う、具現化AIにおける重要な進歩です。このモデルは、マルチビューカメラ画像、自然言語指示、ロボットの現在状態を入力として受け取り、連続的なアクションのシーケンスを出力します。この記事ではアーキテクチャを詳しく解説し、視覚特徴と言語埋め込みの融合方法、およびアクションデコーダーが滑らかで実行可能な軌跡を生成する方法を説明します。主な革新点には、視覚モダリティと言語モダリティを整列させるクロスアテンション機構、および時間的一貫性を保証する拡散ベースのアクション生成ヘッドが含まれます。このアプローチはシミュレーション操作タスクで評価され、従来のVLAモデルよりも高い成功率を示しています。この研究は、ロボット工学向けの視覚言語行動モデルに取り組む研究者やエンジニアにとって、適応または拡張可能な明確な方法論を提供するため、関連性が高いです。
LingBot-VLA 2.0の詳細な技術解説。マルチビュー画像と言語指示から連続的なロボットアクションを生成する視覚言語行動モデル。